liu.seSök publikationer i DiVA
Ändra sökning
RefereraExporteraLänk till posten
Permanent länk

Direktlänk
Referera
Referensformat
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • oxford
  • Annat format
Fler format
Språk
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Annat språk
Fler språk
Utmatningsformat
  • html
  • text
  • asciidoc
  • rtf
Scalable Deep Gaussian Markov Random Fields for General Graphs
Linköpings universitet, Institutionen för datavetenskap, Statistik och maskininlärning. Linköpings universitet, Tekniska fakulteten.ORCID-id: 0000-0002-8201-0282
Linköpings universitet, Institutionen för datavetenskap, Statistik och maskininlärning. Linköpings universitet, Tekniska fakulteten. Arriver Software AB, Sweden.
Linköpings universitet, Tekniska fakulteten. Linköpings universitet, Institutionen för datavetenskap, Statistik och maskininlärning.
2022 (Engelska)Ingår i: Proceedings of the 39th International Conference on Machine Learning / [ed] Kamalika Chaudhuri, Stefanie Jegelka, Le Song, Csaba Szepesvari, Gang Niu, Sivan Sabato, 2022, s. 17117-17137Konferensbidrag, Publicerat paper (Refereegranskat)
Abstract [en]

Machine learning methods on graphs have proven useful in many applications due to their ability to handle generally structured data. The framework of Gaussian Markov Random Fields (GMRFs) provides a principled way to define Gaussian models on graphs by utilizing their sparsity structure. We propose a flexible GMRF model for general graphs built on the multi-layer structure of Deep GMRFs, originally proposed for lattice graphs only. By designing a new type of layer we enable the model to scale to large graphs. The layer is constructed to allow for efficient training using variational inference and existing software frameworks for Graph Neural Networks. For a Gaussian likelihood, close to exact Bayesian inference is available for the latent field. This allows for making predictions with accompanying uncertainty estimates. The usefulness of the proposed model is verified by experiments on a number of synthetic and real world datasets, where it compares favorably to other both Bayesian and deep learning methods.

Ort, förlag, år, upplaga, sidor
2022. s. 17117-17137
Serie
Proceedings of Machine Learning Research, ISSN 2640-3498 ; 162
Nyckelord [en]
machine learning, graphs, gmrf, deep gmrf, variational inference, gaussian, markov random field
Nationell ämneskategori
Sannolikhetsteori och statistik
Identifikatorer
URN: urn:nbn:se:liu:diva-187178ISI: 000900064907012OAI: oai:DiVA.org:liu-187178DiVA, id: diva2:1686544
Konferens
The 39th International Conference on Machine Learning, ICML, 17-23 July 2022, Baltimore, Maryland, USA
Forskningsfinansiär
Wallenberg AI, Autonomous Systems and Software Program (WASP)ELLIIT - The Linköping‐Lund Initiative on IT and Mobile CommunicationsVetenskapsrådet, 2020-04122Tillgänglig från: 2022-08-10 Skapad: 2022-08-10 Senast uppdaterad: 2023-05-10

Open Access i DiVA

fulltext(2515 kB)88 nedladdningar
Filinformation
Filnamn FULLTEXT02.pdfFilstorlek 2515 kBChecksumma SHA-512
bce5f2721d1d8a0a9936e59237ed8ebf929e9af5f38a057ef535872b2c7c7ef26a6ce089287df529f1e0de745388f197d39bdcc511e0d331b1b5a17187722fc1
Typ fulltextMimetyp application/pdf

Övriga länkar

Publisher's full text

Person

Oskarsson, JoelSidén, PerLindsten, Fredrik

Sök vidare i DiVA

Av författaren/redaktören
Oskarsson, JoelSidén, PerLindsten, Fredrik
Av organisationen
Statistik och maskininlärningTekniska fakulteten
Sannolikhetsteori och statistik

Sök vidare utanför DiVA

GoogleGoogle Scholar
Totalt: 88 nedladdningar
Antalet nedladdningar är summan av nedladdningar för alla fulltexter. Det kan inkludera t.ex tidigare versioner som nu inte längre är tillgängliga.

urn-nbn

Altmetricpoäng

urn-nbn
Totalt: 276 träffar
RefereraExporteraLänk till posten
Permanent länk

Direktlänk
Referera
Referensformat
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • oxford
  • Annat format
Fler format
Språk
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Annat språk
Fler språk
Utmatningsformat
  • html
  • text
  • asciidoc
  • rtf